CN116029461A - 基于自回归算法实现用户负荷预测方法 - Google Patents

基于自回归算法实现用户负荷预测方法 Download PDF

Info

Publication number
CN116029461A
CN116029461A CN202310296813.9A CN202310296813A CN116029461A CN 116029461 A CN116029461 A CN 116029461A CN 202310296813 A CN202310296813 A CN 202310296813A CN 116029461 A CN116029461 A CN 116029461A
Authority
CN
China
Prior art keywords
month
predicted
electric quantity
electricity consumption
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310296813.9A
Other languages
English (en)
Other versions
CN116029461B (zh
Inventor
梁海林
王海平
王志永
付康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yineng Zhongwang Technology Co ltd
Original Assignee
Beijing Yineng Zhongwang Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Yineng Zhongwang Technology Co ltd filed Critical Beijing Yineng Zhongwang Technology Co ltd
Priority to CN202310296813.9A priority Critical patent/CN116029461B/zh
Publication of CN116029461A publication Critical patent/CN116029461A/zh
Application granted granted Critical
Publication of CN116029461B publication Critical patent/CN116029461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及用户用电量预测技术领域，具体地说，涉及基于自回归算法实现用户负荷预测方法。其包括获取用户所使用的电量情况、提取实际用电量数值以及推测的月用电量数值，计算实际用电量的变化百分比和推测误差值、计算第一预测电量的数值、计算第二预测电量、计算第三预测电量、计算第四预测电量和第五预测电量，对第四预测电量和第五预测电量进行平均值的选取，以此获取预测日所使用电量的预测数值。本发明中通过对用户的上一周年的用电情况进行电能的推测，并根据上一周年的推测误差率以及每个月的电能增长率来对本周年的本月的用电量进行推测，以获取本周年的本月用电量预测值。

Description

基于自回归算法实现用户负荷预测方法
技术领域
本发明涉及用户用电量预测技术领域，具体地说，涉及基于自回归算法实现用户负荷预测方法。
背景技术
随着经济社会的快速稳定发展，新型城镇化和美丽乡村建设的有序开展，特别是随着农村居民家庭家用电器的不断增加，我国居民用电负荷不断增长，居民生活用电特性也不断发生变化。准确掌握用户负荷、特别是高峰负荷时段用户负荷的增长情况和用电特性，是合理进行配电台区规划，优化配电台区运行控制的基础。
准确掌握用户负荷、特别是高峰负荷时段用户负荷的增长情况和用电特性，是合理进行配电台区规划，优化配电台区运行控制的基础，尤其是对工厂等一些用电量较大的用户来说，对工厂用电情况的精准掌握，可以有效的对电能进行支配，做到电能的有效利用。
目前在实际配电台区规划建设过程对用户用电负荷一般根据此段时间工厂的耗电量进行估算，但工厂每天所需要生产的产品量不同，所需要消耗的电能也不同，如出现淡季或旺季时，其消耗的电量无法进行控制，如此便使在进行电能的分配时出现配电过多或配电过少的情况，如此便造成电能的浪费或导致工厂电能不足的情况，如此便会影响工厂的正常生产，故需要一种预测用户使用电能的方法来对用户的用电量进行预测，使用户可以正常的使用电能。
发明内容
本发明的目的在于提供基于自回归算法实现用户负荷预测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供基于自回归算法实现用户负荷预测方法，包括以下步骤：
S1、获取用户当前时间段所使用的电量情况，以及该时间段对用户用电量预测的数据，并获取该用户上一个周年的电量使用情况和每日、每月进行电量预测的数据信息；
S2、将上一周年中对应于当前月份及以前的月份实际用电量数值以及推测的月用电量数值提取出来，计算出上一周年中的每个月份之间实际用电量的变化百分比，同时计算出上一周年中当前月份的实际用电量和推测用电量数值之间的推测误差值；
S3、将上一周年中对应的当前月份和前一个月份的实际用电量的百分比的数值提取出来，并将当月月份的前一个月份的实际用电量的数值提取出来，当月月份的前一个月份的实际用电量和提取出来的百分比数值进行计算获取当月月份电量的第一预测电量的数值；
S4、提取上一周年中当前月份的实际用电量和推测用电量数值之间的推测误差值，并将获取的推测误差值和第一预测电量计算在一起，以形成当前月份的第二预测电量（此月的用电量）；
S5、将上一周年中当前月份中对应的预测日以及前几日的实际电量数值提取叠加，并和当月实际用电量进行计算，获得上一周年中预测日以及前几日实际电量占当月实际电量的百分比，并将获得的百分比和第二预测电量计算在一起，以此来获取第三预测电量，（此月前几日用掉的总电量）；
S6、将当月前几日的用电量叠加起来，并在第三预测电量中去除当月前几日的总电量，以此来获取第四预测电量，并根据预测日前一日的用电量采用自回归算法获取第五预测电量，对第四预测电量和第五预测电量进行平均值的选取，以此获取预测日所使用电量的预测数值。
作为本技术方案的进一步改进，所述S2中计算上一周年中的每个月份之间实际用电量的变化百分比的公式为：
Figure SMS_1
，
其中，
Figure SMS_2
为上一周年中第n月和第n-1月之间用电量变化的增长率，n为上一周年的某个月份，
Figure SMS_3
为上一周年某个月份的实际用电量，
Figure SMS_4
为上一周年n月份的上一个月份的实际用电量。
作为本技术方案的进一步改进，所述S2中计算出上一周年中当前月份的实际用电量和推测用电量数值之间的推测误差值的公式为：
Figure SMS_5
，
其中，
Figure SMS_6
为上一周年n月份的推测误差率，
Figure SMS_7
为上一周年中n月份推测出的用电量。
作为本技术方案的进一步改进，所述S3中获取第一预测电量的数值的计算公式为：
Figure SMS_8
，
其中，
Figure SMS_9
为第一预测电量，其第一预测电量为第一次推测的当月用电量，表示根据上一周年的对应月份的增长率来获取本周年对应月份所需要消耗的电量，
Figure SMS_10
当前年份的第n月的前一个月的实际用电量。
作为本技术方案的进一步改进，所述S4中的第二预测电量计算的公式为：
Figure SMS_11
，
其中，
Figure SMS_12
第二预测电量，其第二预测电量在第一预测电量的基础上增加了上一周年推测电能的误差值，表示在
Figure SMS_13
的基础上增加推测误差的数值。
作为本技术方案的进一步改进，所述S5中对第三预测电量的计算公式为：
Figure SMS_14
，
Figure SMS_15
，
其中，
Figure SMS_16
为上一周年中第n月中第x天及之前的x天的电量使用总和占上一周年中第n月的电量占比，
Figure SMS_17
为上一周年中第n月的第一天使用的电量，
Figure SMS_18
为上一周年中第n月中第x天使用的电量，
Figure SMS_19
为第三预测电量，第三预测电量表示的是对本周年的第n月的前x天中所使用的总电量的预测值，x表示需要预测电量的日期在本月排序的序号。
作为本技术方案的进一步改进，所述S6中的第四预测电量的计算公式为：
Figure SMS_20
，
其中，
Figure SMS_21
为第四预测电量，其表示本周年的第n月中的第x天所消耗电能的推测值，
Figure SMS_22
为本周年的第n月中的第一天所消耗的电能，
Figure SMS_23
为本周年第n月第x-1天时所消耗的电能。
作为本技术方案的进一步改进，所述S6中的第五预测电量的计算公式为：
Figure SMS_24
，
其中，
Figure SMS_25
为第五预测电量，其表示根据本周年的第n月的第x天的用电量，是采用自回归算法获取的第二个对
Figure SMS_26
数值的预测值，O和E为自变量。
作为本技术方案的进一步改进，所述S6中获取预测日所使用电量的预测数值的公式为：
Figure SMS_27
，
其中，
Figure SMS_28
为本周年第n月的第x天所需要消耗的电能的预测值。
与现有技术相比，本发明的有益效果：
1、该基于自回归算法实现用户负荷预测方法中，通过对用户的上一周年的用电情况进行电能的推测，并根据上一周年的推测误差率以及每个月的电能增长率来对本周年的本月的用电量进行推测，以获取本周年的本月用电量预测值，再通过上一周年的对应月份的对应天数来计算占比率来计算本周年本月份需要推测日所需要消耗的电能，如此便可以准确的获取预测日所需要消耗的电能，做到用户的正常用电，也避免用户因配电过多或过少而造成的损失。
附图说明
图1为本发明实施例1的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
目前在实际配电台区规划建设过程对用户用电负荷一般根据此段时间工厂的耗电量进行估算，但工厂每天所需要生产的产品量不同，所需要消耗的电能也不同，如出现淡季或旺季时，其消耗的电量无法进行控制，如此便使在进行电能的分配时出现配电过多或配电过少的情况，如此便造成电能的浪费或导致工厂电能不足的情况，如此便会影响工厂的正常生产，故需要一种预测用户使用电能的方法来对用户的用电量进行预测，使用户可以正常的使用电能。
为了解决点电能预测不准的情况，本发明提供基于自回归算法实现用户负荷预测方法，请参阅图1，包括以下步骤：
S1、获取用户当前时间段所使用的电量情况，以及该时间段对用户用电量预测的数据，并获取该用户上一个周年的电量使用情况和每日、每月进行电量预测的数据信息；
S2、将上一周年中对应于当前月份及以前的月份实际用电量数值以及推测的月用电量数值提取出来，计算出上一周年中的每个月份之间实际用电量的变化百分比，同时计算出上一周年中当前月份的实际用电量和推测用电量数值之间的推测误差值；
计算上一周年中的每个月份之间实际用电量的变化百分比的公式为：
Figure SMS_29
，
其中，
Figure SMS_30
为上一周年中第n月和第n-1月之间用电量变化的增长率，n为上一周年的某个月份，
Figure SMS_31
为上一周年某个月份的实际用电量，
Figure SMS_32
为上一周年n月份的上一个月份的实际用电量；
通过获取上一周年每个月份之间的用电量的增长率，来获取上一周年每个月份用电量的改变关系，以便于观测出上一周年的n月份的实际用电增长情况；
计算出上一周年中当前月份的实际用电量和推测用电量数值之间的推测误差值的公式为：
Figure SMS_33
，
其中，
Figure SMS_34
为上一周年n月份的推测误差率，
Figure SMS_35
为上一周年中n月份推测出的用电量；
通过计算上一周年月份的实际用电量和推测用电量的误差，来获取在进行推测时出现的误差情况，并根据上一周年月份的推测误差值来对本年度的该月份的用电量进行推测，以此来获得本月份的预测用电量。
S3、将上一周年中对应的当前月份和前一个月份的实际用电量的百分比的数值提取出来，并将当月月份的前一个月份的实际用电量的数值提取出来，当月月份的前一个月份的实际用电量和提取出来的百分比数值进行计算获取当月月份电量的第一预测电量的数值；
获取第一预测电量的数值的计算公式为：
Figure SMS_36
，
其中，
Figure SMS_37
为第一预测电量，其第一预测电量为第一次推测的当月用电量，表示根据上一周年的对应月份的增长率来获取本周年对应月份所需要消耗的电量，
Figure SMS_38
为当前年份的第n月的前一个月的实际用电量；
获取的
Figure SMS_39
为当前月份的第一次预测，其预测的结果以上一周年的实际电量为基准来进行推测，其获得的电量数值是从上一周年实际用电量的增长率来进行计算获得。
S4、提取上一周年中当前月份的实际用电量和推测用电量数值之间的推测误差值，并将获取的推测误差值和第一预测电量计算在一起，以形成当前月份的第二预测电量（此月的用电量）；
第二预测电量计算的公式为：
Figure SMS_40
，
其中，
Figure SMS_41
为第二预测电量，其第二预测电量在第一预测电量的基础上增加了上一周年推测电能的误差值，表示在
Figure SMS_42
的基础上增加推测误差的数值；
通过将在第一预测电量的基础上，增加了上一周年预测电能的误差值，使第二预测电量考虑到推测误差的情况，以此来做到推测准确的效果。
S5、将上一周年中当前月份中对应的预测日以及前几日的实际电量数值提取叠加，并和当月实际用电量进行计算，获得上一周年中预测日以及前几日实际用电量和当月实际用电量的百分比，并将获得的百分比和第二预测电量计算在一起，以此来获取第三预测电量；
对第三预测电量的计算公式为：
Figure SMS_43
，
Figure SMS_44
，
其中，
Figure SMS_45
为上一周年中第n月中第x天及之前的x天的电量使用总和占上一周年中第n月的电量占比，
Figure SMS_46
为上一周年中第n月的第一天使用的电量，
Figure SMS_47
为上一周年中第n月中第x天使用的电量，
Figure SMS_48
为第三预测电量，第三预测电量表示的是对本周年的第n月的前x天中所使用的总电量的预测值，x表示需要预测电量的日期在本月排序的序号，如需要预测电量的日期为一月十五号，则x表示的序号为15；
通过将第三预测电量计算出来，使上周年的第n月的第x天前的所有电量的总消耗来推测本周年的第n月的第x天前的所用电量的总消耗量，如此便可以推测出在本月的月初到需要预测的第x天所使用的总电量。
S6、将当月前几日的用电量叠加起来，并在第三预测电量中去除当月前几日的总电量，以此来获取第四预测电量，并根据预测日前一日的用电量采用自回归算法获取第五预测电量，对第四预测电量和第五预测电量进行平均值的选取，以此获取预测日所使用电量的预测数值；
第四预测电量的计算公式为：
Figure SMS_49
，
其中，
Figure SMS_50
为第四预测电量，其表示本周年的第n月中的第x天所消耗电能的推测值，
Figure SMS_51
为本周年的第n月中的第一天所消耗的电能，
Figure SMS_52
为本周年第n月第x-1天时所消耗的电能；
通过获取的第四预测电量，此时便获取了需要预测日的消耗电量；
第五预测电量的计算公式为：
Figure SMS_53
，
其中，
Figure SMS_54
为第五预测电量，其表示根据本周年的第n月的第x天的用电量，是采用自回归算法获取的第二个对
Figure SMS_55
数值的预测值，O和E为自变量，当将上一周年的第n月的第x-1天和第x天的消耗电能数据统计起来并形成的折线图时，O为上一周年的第n月的第x-1天和第x天的消耗电能数据所形成的折线的斜率，O和E之间的关系为：
Figure SMS_56
；
Figure SMS_57
；
获取预测日所使用电量的预测数值的公式为：
Figure SMS_58
，
其中，
Figure SMS_59
为本周年第n月的第x天所需要消耗的电能的预测值。
通过对用户的上一周年的用电情况进行电能的推测，并根据上一周年的推测误差率以及每个月的电能增长率来对本周年的本月的用电量进行推测，以获取本周年的本月用电量预测值，再通过上一周年的对应月份的对应天数来计算占比率来计算本周年本月份需要推测日所需要消耗的电能，如此便可以准确的获取预测日所需要消耗的电能，做到用户的正常用电，也避免用户因配电过多或过少而造成的损失。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.基于自回归算法实现用户负荷预测方法，其特征在于：包括以下步骤：
S1、获取用户当前时间段所使用的电量情况，以及该时间段对用户用电量预测的数据，并获取该用户上一个周年的电量使用情况和每日、每月进行电量预测的数据信息；
S2、将上一周年中对应于当前月份及以前的月份实际用电量数值以及推测的月用电量数值提取出来，计算出上一周年中的每个月份之间实际用电量的变化百分比，同时计算出上一周年中当前月份的实际用电量和推测用电量数值之间的推测误差值；
S3、将上一周年中对应的当前月份和前一个月份的实际用电量的百分比的数值提取出来，并将当月月份的前一个月份的实际用电量的数值提取出来，当月月份的前一个月份的实际用电量和提取出来的百分比数值进行计算获取当月月份电量的第一预测电量的数值；
S4、提取上一周年中当前月份的实际用电量和推测用电量数值之间的推测误差值，并将获取的推测误差值和第一预测电量计算在一起，以形成当前月份的第二预测电量；
S5、将上一周年中当前月份中对应的预测日以及前几日的实际电量数值提取叠加，并和当月实际用电量进行计算，获得上一周年中预测日以及前几日实际电量占当月实际电量的百分比，并将获得的百分比和第二预测电量计算在一起，以此来获取第三预测电量；
S6、将当月前几日的用电量叠加起来，并在第三预测电量中去除当月前几日的总电量，以此来获取第四预测电量，并根据预测日前一日的用电量采用自回归算法获取第五预测电量，对第四预测电量和第五预测电量进行平均值的选取，以此获取预测日所使用电量的预测数值。
2.根据权利要求1所述的基于自回归算法实现用户负荷预测方法，其特征在于：所述S2中计算上一周年中的每个月份之间实际用电量的变化百分比的公式为：
Figure QLYQS_1
，
其中，
Figure QLYQS_2
为上一周年中第n月和第n-1月之间用电量变化的增长率，n为上一周年的某个月份，
Figure QLYQS_3
为上一周年某个月份的实际用电量，
Figure QLYQS_4
为上一周年n月份的上一个月份的实际用电量。
3.根据权利要求2所述的基于自回归算法实现用户负荷预测方法，其特征在于：所述S2中计算出上一周年中当前月份的实际用电量和推测用电量数值之间的推测误差值的公式为：
Figure QLYQS_5
，
其中，
Figure QLYQS_6
为上一周年n月份的推测误差率，
Figure QLYQS_7
为上一周年中n月份推测出的用电量。
4.根据权利要求3所述的基于自回归算法实现用户负荷预测方法，其特征在于：所述S3中获取第一预测电量的数值的计算公式为：
Figure QLYQS_8
，
其中，
Figure QLYQS_9
为第一预测电量，其第一预测电量为第一次推测的当月用电量，表示根据上一周年的对应月份的增长率来获取本周年对应月份所需要消耗的电量，
Figure QLYQS_10
为当前年份的第n月的前一个月的实际用电量。
5.根据权利要求4所述的基于自回归算法实现用户负荷预测方法，其特征在于：所述S4中的第二预测电量计算的公式为：
Figure QLYQS_11
，
其中，
Figure QLYQS_12
为第二预测电量，其第二预测电量在第一预测电量的基础上增加了上一周年推测电能的误差值，表示在
Figure QLYQS_13
的基础上增加推测误差的数值。
6.根据权利要求5所述的基于自回归算法实现用户负荷预测方法，其特征在于：所述S5中对第三预测电量的计算公式为：
Figure QLYQS_14
，
Figure QLYQS_15
，
其中，
Figure QLYQS_16
为上一周年中第n月中第x天及之前的x天的电量使用总和占上一周年中第n月的电量占比，
Figure QLYQS_17
为上一周年中第n月的第一天使用的电量，
Figure QLYQS_18
为上一周年中第n月中第x天使用的电量，
Figure QLYQS_19
为第三预测电量，第三预测电量表示的是对本周年的第n月的前x天中所使用的总电量的预测值，x表示需要预测电量的日期在本月排序的序号。
7.根据权利要求6所述的基于自回归算法实现用户负荷预测方法，其特征在于：所述S6中的第四预测电量的计算公式为：
Figure QLYQS_20
，
其中，
Figure QLYQS_21
为第四预测电量，其表示本周年的第n月中的第x天所消耗电能的推测值，
Figure QLYQS_22
为本周年的第n月中的第一天所消耗的电能，
Figure QLYQS_23
为本周年第n月第x-1天时所消耗的电能。
8.根据权利要求7所述的基于自回归算法实现用户负荷预测方法，其特征在于：所述S6中的第五预测电量的计算公式为：
Figure QLYQS_24
，
其中，
Figure QLYQS_25
为第五预测电量，其表示根据本周年的第n月的第x天的用电量，是采用自回归算法获取的第二个对
Figure QLYQS_26
数值的预测值，O和E为自变量。
9.根据权利要求8所述的基于自回归算法实现用户负荷预测方法，其特征在于：所述S6中获取预测日所使用电量的预测数值的公式为：
Figure QLYQS_27
，
其中，
Figure QLYQS_28
为本周年第n月的第x天所需要消耗的电能的预测值。
CN202310296813.9A 2023-03-24 2023-03-24 基于自回归算法实现用户负荷预测方法 Active CN116029461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310296813.9A CN116029461B (zh) 2023-03-24 2023-03-24 基于自回归算法实现用户负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310296813.9A CN116029461B (zh) 2023-03-24 2023-03-24 基于自回归算法实现用户负荷预测方法

Publications (2)

Publication Number Publication Date
CN116029461A true CN116029461A (zh) 2023-04-28
CN116029461B CN116029461B (zh) 2023-06-20

Family

ID=86079717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310296813.9A Active CN116029461B (zh) 2023-03-24 2023-03-24 基于自回归算法实现用户负荷预测方法

Country Status (1)

Country Link
CN (1) CN116029461B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH099502A (ja) * 1995-06-23 1997-01-10 Mitsubishi Electric Corp デマンド制御装置
JP2006014533A (ja) * 2004-06-28 2006-01-12 Cosmo Life Kk 使用電力監視システムおよび負荷率演算表示方法
KR20060118371A (ko) * 2006-10-13 2006-11-23 한국전기연구원 인터넷을 통한 전력 수요관리 평가 시스템
JP2010211780A (ja) * 2009-02-13 2010-09-24 Meidensha Corp 電力エネルギー監視システム
US20120185414A1 (en) * 2010-12-15 2012-07-19 Vaisala, Inc. Systems and methods for wind forecasting and grid management
CN106355265A (zh) * 2016-08-19 2017-01-25 国家电网公司 一种基于业扩报装大数据和计量经济模型的用电量预测方法
CN107766415A (zh) * 2017-09-08 2018-03-06 华南理工大学 基于用电数据的城镇低效工业用地快速识别方法
CN108090629A (zh) * 2018-01-16 2018-05-29 广州大学 基于非线性自回归神经网络的负荷预测方法与系统
CN109615125A (zh) * 2018-11-30 2019-04-12 国家电网公司西南分部 一种考虑特高压调峰的多区域随机生产模拟方法及应用
EP3499436A1 (fr) * 2017-12-18 2019-06-19 Electricité de France Système de prévision de consommation d'énergie sur une période prédéterminée
CN110009145A (zh) * 2019-03-29 2019-07-12 山大地纬软件股份有限公司 基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置
US20210215370A1 (en) * 2019-07-05 2021-07-15 Lg Electronics Inc. Artificial intelligence based apparatus and method for forecasting energy usage
US20210296897A1 (en) * 2019-11-27 2021-09-23 Robert F. Cruickshank, III System method and apparatus for providing a load shape signal for power networks
CN115730526A (zh) * 2022-12-02 2023-03-03 中国能源建设集团湖南省电力设计院有限公司 一种机场用电负荷的智能监控和预测方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH099502A (ja) * 1995-06-23 1997-01-10 Mitsubishi Electric Corp デマンド制御装置
JP2006014533A (ja) * 2004-06-28 2006-01-12 Cosmo Life Kk 使用電力監視システムおよび負荷率演算表示方法
KR20060118371A (ko) * 2006-10-13 2006-11-23 한국전기연구원 인터넷을 통한 전력 수요관리 평가 시스템
JP2010211780A (ja) * 2009-02-13 2010-09-24 Meidensha Corp 電力エネルギー監視システム
US20120185414A1 (en) * 2010-12-15 2012-07-19 Vaisala, Inc. Systems and methods for wind forecasting and grid management
CN106355265A (zh) * 2016-08-19 2017-01-25 国家电网公司 一种基于业扩报装大数据和计量经济模型的用电量预测方法
CN107766415A (zh) * 2017-09-08 2018-03-06 华南理工大学 基于用电数据的城镇低效工业用地快速识别方法
EP3499436A1 (fr) * 2017-12-18 2019-06-19 Electricité de France Système de prévision de consommation d'énergie sur une période prédéterminée
CN108090629A (zh) * 2018-01-16 2018-05-29 广州大学 基于非线性自回归神经网络的负荷预测方法与系统
CN109615125A (zh) * 2018-11-30 2019-04-12 国家电网公司西南分部 一种考虑特高压调峰的多区域随机生产模拟方法及应用
CN110009145A (zh) * 2019-03-29 2019-07-12 山大地纬软件股份有限公司 基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置
US20210215370A1 (en) * 2019-07-05 2021-07-15 Lg Electronics Inc. Artificial intelligence based apparatus and method for forecasting energy usage
US20210296897A1 (en) * 2019-11-27 2021-09-23 Robert F. Cruickshank, III System method and apparatus for providing a load shape signal for power networks
CN115730526A (zh) * 2022-12-02 2023-03-03 中国能源建设集团湖南省电力设计院有限公司 一种机场用电负荷的智能监控和预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANQING ZHANG ETC: ""Short-term offshore wind power forecasting - A hybrid model based on Discrete Wavelet Transform (DWT), Seasonal Autoregressive Integrated Moving Average (SARIMA), and deep-learning-based Long Short-Term Memory (LSTM)"", 《RENEWABLE ENERGY》, vol. 185, pages 611 - 628, XP086927237, DOI: 10.1016/j.renene.2021.12.100 *

Also Published As

Publication number Publication date
CN116029461B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN106532769B (zh) 基于光伏并网不确定性的需求侧分时电价的优化方法
JP6079215B2 (ja) 電力需要予測装置、プログラム
Ciabattoni et al. Fuzzy logic based economical analysis of photovoltaic energy management
US20040225625A1 (en) Method and system for calculating and distributing utility costs
CN106682763B (zh) 一种用于大量样本数据的电力负荷优化预测方法
CN102426674A (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN104680253B (zh) 基于可靠性与经济性相协调的配电网规划投资优化方法
CN110838076B (zh) 一种月度跨省区可再生能源消纳方法及终端设备
CN102509173A (zh) 一种基于马尔科夫链的电力系统负荷准确预测方法
CN109299814B (zh) 一种气象影响电量分解预测方法
CN117973819B (zh) 一种用于电能储放优化的储能管理系统及方法
CN117291299B (zh) 一种考虑多种影响因素的月度电量预测方法
CN116029461B (zh) 基于自回归算法实现用户负荷预测方法
Jang et al. Cost and robustness analysis of the Korean government’s renewable energy plan under varying scenarios
CN110414776B (zh) 分行业用电特性快速响应分析系统
CN117151294A (zh) 一种城市区域综合能源系统优化方法及终端设备
CN111160601A (zh) 一种针对用户电力消费数据的电器需求响应潜力预测方法
Yang et al. Assessment of loss factor approach to energy loss evaluation for branch circuits or feeders of a dwelling unit or building
CN113033867B (zh) 一种计及电供热特性的省级电网负荷特性分析方法
CN116957842A (zh) 一种电力数据分析处理方法、系统及存储介质
CN111030161A (zh) 一种新能源消纳与电网深度调峰裕度相关性分析方法
CN117610948A (zh) 一种企业专变用电超载的优化配置方法及系统
CN117674168B (zh) 一种计及电力需求响应的区域电力低碳调节方法及系统
Zhu et al. Research on peak-valley TOU price based on demand side response
CN118228974A (zh) 一种春节期间的电力需求预测方法及终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant